Алгоритм определения местоположения беспилотного воздушного судна в многопозиционной системе наблюдения

В последнее время интеграция трехмерного зрения в оборудовании БВС внесла большой вклад в продвижение геопространственных технологий для мелкомасштабного картографирования, приложений для мониторинга и инспекции. Группой БВС может решаться широкий круг задач, в частности, обследование больших по площади участков местности, акваторий морей, автономное картографирование необследованной местности [1].

При картографированиии каждое БВС группы должно выполнять следующие функции: выполнять взлет, осуществлять полет в назначенный пункт маршрута с высокой точностью при создании своей карты выполнять оценку качества сгенерированной карты, и реализовывать программу возврата в точку вылета. При выполнении данных функций высокоточное позиционирование БВС имеет большое значение [1]. Одной из проблем эффективного радиолокационного наблюдения за группой объектов является низкая разрешающая способность. Следовательно проблему позиционирования БВС при полете в составе группы можно использовать МПСН на основе мультилатерации [2]. Целью исследований является решение актуальной научно-прикладной задачи определение МП БВС при полете в составе группы на основе мультилатерационной технологии.

Благодаря МПСН возможно решение задачи определения МП БВС и ВС на основе мультилатерационной технологии с отображением информации о воздушной обстановке на многофункциональном индикаторе. Применение МПСН позволит повысить безопасность полетов при реализации концепция интеграции БВС в единое воздушное пространство Российской Федерации. Демонстрация возможностей определения МП ВС и БВС на основе МПСН продемонстрирована на рисунке 1.

Рисунок 1 – Демонстрация определения МП ВС и БВС на основе МПСН

Требуется определить неизвестные координаты БВС xm , ym , zm. С учетом шумов и помех, воздействующих на МПСН, для определения МП БВС целесообразно использовать математический аппарат оптимальной фильтрации. Данный подход основан на использовании о состоянии системы в предыдущий момент времени, что позволяет повысить точность оценки вектора состояния [3]. Уравнение наблюдения запишем в векторноматричном виде

^ k = H_k ( Л к )+ П к ,                              (1)

где t_k = [ ^D i ,1 ( t_k ) - bD i,N - 1 ( t_k ) ] ^T - вектор наблюдений, Л = [ xyz ] ^T - вектор состояния, содержащий неизвеcтные координаты БВС n k = [ n i 1 ( t k ) — n iN — 1 ( t k ) ] ^T - вектор аддитивных шумов с известной матрицей шумов измерений V k ; H k ( Л к ) - нелинейная вектор-функция взаимосвязи вектора состояния ^λ k с вектором наблюдений ξ k .

Динамику вектора состояния системы представим нелинейным уравнением вида [3]:

Л к = F ( Л к ) + W k ,                             (2)

где F ( ^Лк ) - нелинейная матрица динамики системы; W k - вектор аддитивных ДБГШ с известной матрицей односторонних спектральных плотностей Q k .

Алгоритм ОФК применительно к задаче определения МП БВС в МПСН представлен следующими выражениями [3]:

Лк=Fk Лк-1+ Kk (Zk - HkFk Лк-1) ,(3)

Kk=Pk / к-i Hk[ HkPk / к-i HT+Vk f>

Pk=[ Ik - KkHk ] Pk / к-1 [ Ik - KkHk ]T+KkVkK где Ik - единичная матрица.

В соотношениях (3), (5) Л_к и P k - вектор оптимальных оценок переменных состояния и матрица ковариаций ошибок фильтрации.

Таким образом, обосновано применение МПСН для обеспечения слежения за БВС. Синтезирован алгоритм оценивания местоположения на основе фильтра Калмана, который можно использовать для слежения за БВС в МПСН. Результаты имитационного моделирования продемонстрировали высокую точность разработанного алгоритмов наблюдения за БВС. Анализ полученных результатов позволяет сделать вывод о высокой точности определения местоположения БВС при полете в составе группы на основе мультилатерационной технологии при воздействии случайных возмущений.